TL;DR：我們試驗了將 AI 應(yīng)用到基于 Protobuf 的微服務(wù)架構(gòu)中，基于 ArchGuard 治理平臺、Shire AI 助手、Team AI 三個工具中，構(gòu)建了一套完整的 AI4SE 原型，在需求、設(shè)計、開發(fā)、測試和運維等階段，這里是我們的思考和實踐。

過去幾個月里，我們在各大技術(shù)大會上頻繁看到生成式 AI 的應(yīng)用，很多研發(fā)組織都在嘗試將其引入開發(fā)的各個環(huán)節(jié)。然而，隨著 AI 技術(shù)的深入應(yīng)用，不少組織也發(fā)現(xiàn)了基礎(chǔ)知識工程方面的種種挑戰(zhàn)。例如，知識的缺乏規(guī)范化、流程的缺失以及標準化檢測工具的不足，正成為 AI 成功落地和提升研發(fā)效能的主要阻礙。

如果說知識工程是 AI 賦能研發(fā)的基礎(chǔ)，那么數(shù)字化架構(gòu)則是 AI 賦能研發(fā)的關(guān)鍵。在這篇文章中，我們將探討知識工程推動下的架構(gòu)數(shù)字化：如何通過知識工程的視角， 利用 AI 技術(shù)，對系統(tǒng)架構(gòu)進行全面分析、管理和優(yōu)化的過程，以及我們的思考和實踐。

引子：架構(gòu)知識如何改變 AI 驅(qū)動的開發(fā)流程？？

AI4SE（Artificial Intelligence for Software Engineering）是指人工智能技術(shù)應(yīng)用于軟件工程領(lǐng)域，旨在通過利用 AI 算法和工具來改進軟件開發(fā)、維護、測試和管理等各個環(huán)節(jié)的效率和效果。—— https://aise.phodal.com/

從過去的、標準或者不標準的 DevOps 開發(fā)流程來看，我們會把 SDLC 流程分為 N 個階段，取決于你的組織架構(gòu)，階段的數(shù)量可能會有所不同，以適配康威定律。在此，我們將 SDLC 流程簡化為以下幾個主要階段：需求、設(shè)計、開發(fā)、測試和運維。

SDLC 中的 AI 與架構(gòu)

圖片

而毫無意外的是，當你深入 AI 4SE 的應(yīng)用時，會發(fā)現(xiàn)每個環(huán)節(jié)都需要架構(gòu)知識，以微服務(wù)架構(gòu)為例：

• 需求階段。AI 需要結(jié)合現(xiàn)有架構(gòu)、微服務(wù)架構(gòu)的特點，設(shè)計出符合微服務(wù)架構(gòu)的需求文檔，拆分好需求及其所屬的需求或者功能單元。
• 設(shè)計階段。遵循現(xiàn)有的微服務(wù)架構(gòu)設(shè)計規(guī)范、API 規(guī)范、數(shù)據(jù)庫設(shè)計規(guī)范等，由 AI 生成符合規(guī)范的文檔、契約設(shè)計和數(shù)據(jù)庫設(shè)計。
• 開發(fā)階段。AI 生成的代碼，需要滿足編碼規(guī)范、代碼風格、代碼質(zhì)量等等，還有組織內(nèi)部的質(zhì)量門禁規(guī)則（比如 SonarQube）。
• 測試階段。自動化測試需要合理的測試策略、規(guī)范等，測試人員提的 bug 總需要在合適的服務(wù)或組件中修復。
• 運維階段。需要完整的服務(wù)地圖，以及服務(wù)的依賴關(guān)系、日志規(guī)范等等，才能結(jié)合 AI 自動幫你定位到問題、生成報告等。

當然，架構(gòu)規(guī)范通常分散在不同的部門和團隊中管理，如何高效整合和應(yīng)用這些知識是當前面臨的一個挑戰(zhàn)。然而，這里我們主要關(guān)注架構(gòu)知識在開發(fā)過程中的重要性。

微服務(wù)場景示例：AI 如何依賴于架構(gòu)

圖片

以基于 Protobuf 的微服務(wù)架構(gòu)為例，我們可以探討 AI 如何利用架構(gòu)知識來推進開發(fā)流程的數(shù)字化。

Protobuf 是一種高效的二進制序列化協(xié)議，提供了跨語言、低延遲的數(shù)據(jù)交換能力，特別適合微服務(wù)架構(gòu)中服務(wù)之間頻繁的通信需求。通過解析 Protobuf 中的服務(wù)（Service）、消息（Message）和 RPC 調(diào)用等內(nèi)容，AI 能夠提取系統(tǒng)組件之間的交互關(guān)系、數(shù)據(jù)結(jié)構(gòu)以及模塊的職責。這些信息有助于識別系統(tǒng)的核心模塊、數(shù)據(jù)流以及 API 接口。

• 需求階段：AI 能夠結(jié)合 Protobuf，將復雜的業(yè)務(wù)需求拆解為更小的功能單元，并標注它們之間的依賴關(guān)系。同時，AI 會自動生成針對每個服務(wù)的消費者和服務(wù)者需求文檔。
• 設(shè)計階段：在設(shè)計過程中，AI 可以自動生成符合微服務(wù)標準的設(shè)計文檔，涵蓋 Protobuf API 代碼、數(shù)據(jù)庫設(shè)計等內(nèi)容，進一步生成自動化測試接口，確保系統(tǒng)的一致性。
• 開發(fā)階段：AI 在開發(fā)階段會自動應(yīng)用團隊的編碼規(guī)范和代碼風格，結(jié)合 Protobuf 接口生成客戶端和服務(wù)端代碼，以確保代碼質(zhì)量符合組織的標準。
• 測試階段：AI 可以根據(jù)需求和設(shè)計文檔自動生成合理的測試策略和測試用例，創(chuàng)建模擬請求和響應(yīng)，幫助識別 bug 所在的服務(wù)，并自動生成修復建議。
• 運維階段：在運維階段，AI 能夠利用 Protobuf 文件生成服務(wù)地圖，展示服務(wù)間的依賴關(guān)系。同時，AI 還會自動分析日志數(shù)據(jù)生成問題報告，并提供根因分析，幫助運維團隊快速解決問題。

對于 Spring Boot 框架，盡管具體實現(xiàn)和技術(shù)棧有所不同，但整體思路與上述 Protobuf 類似。Spring Boot 提供了一系列工具和庫來支持微服務(wù)架構(gòu)，例如 Swagger 等，這些工具可以幫助開發(fā)者快速構(gòu)建和管理微服務(wù)。通過結(jié)合 Spring 工具生態(tài)，Spring Boot 應(yīng)用中的服務(wù)之間的通信也能實現(xiàn)高效的數(shù)據(jù)交換，AI 可以同樣在需求、設(shè)計、開發(fā)、測試和運維各個階段進行有效的集成和自動化，進一步提升開發(fā)流程的智能化水平。

AI 與架構(gòu)知識相互賦能：如何實現(xiàn)架構(gòu)的數(shù)智化？

架構(gòu)數(shù)智化是指通過對架構(gòu)知識進行數(shù)字化和智能化的處理，提升架構(gòu)設(shè)計、管理與協(xié)作的效率和質(zhì)量。其核心在于將分散的架構(gòu)知識進行數(shù)字化表示，構(gòu)建統(tǒng)一的知識基礎(chǔ)，使得人工智能（AI）能夠理解和利用這些知識，從而輔助并優(yōu)化架構(gòu)相關(guān)的各個環(huán)節(jié)。

圖片

實現(xiàn)架構(gòu)數(shù)智化的關(guān)鍵步驟包括：

1. 架構(gòu)元模型的建立：定義架構(gòu)的基本元素和關(guān)系，如組件、接口、依賴關(guān)系等。這為架構(gòu)知識的數(shù)字化奠定了基礎(chǔ)，確保了架構(gòu)元素的標準化和可操作性。
2. 知識圖譜的構(gòu)建：將架構(gòu)元素及其關(guān)系映射到知識圖譜中，形成結(jié)構(gòu)化的架構(gòu)知識庫。知識圖譜使得復雜的架構(gòu)信息以可視化、關(guān)聯(lián)性的方式呈現(xiàn)，便于知識的檢索和推理。
3. 標準化的語義定義：采用統(tǒng)一的描述語言和規(guī)范，如統(tǒng)一建模語言（UML）、領(lǐng)域特定語言（DSL）等。標準化確保了架構(gòu)知識的可讀性和可解析性，促進了人與機器之間的有效溝通。

借助數(shù)字化的架構(gòu)知識，AI 能夠在以下方面助力架構(gòu)：

• 設(shè)計方案推薦：根據(jù)具體的需求和約束條件，AI 可以快速推薦最佳的架構(gòu)設(shè)計方案，幫助架構(gòu)師做出更明智的決策。
• 規(guī)范合規(guī)性檢查：自動驗證設(shè)計方案是否符合組織的架構(gòu)規(guī)范和標準，減少人為錯誤，確保一致性和合規(guī)性。
• 自動生成原型：基于高層次的架構(gòu)設(shè)計，AI 能夠自動生成代碼骨架或原型，支持快速迭代和驗證，加速開發(fā)流程。
• 智能問答系統(tǒng)：利用自然語言處理技術(shù)，AI 可以回答團隊成員關(guān)于架構(gòu)的疑問，提供實時支持，促進知識共享。
• 智能化協(xié)同設(shè)計：在協(xié)同設(shè)計平臺上，AI 提供實時建議和錯誤檢查，幫助團隊成員協(xié)調(diào)工作，提高設(shè)計效率和質(zhì)量。

綜上所述，架構(gòu)數(shù)智化通過集成數(shù)字化表示和人工智能技術(shù)，實現(xiàn)了架構(gòu)知識的高效管理和利用，推動了架構(gòu)設(shè)計過程的智能化轉(zhuǎn)型。這不僅提升了組織的創(chuàng)新能力和響應(yīng)速度， 也為數(shù)字化時代的持續(xù)發(fā)展提供了堅實的技術(shù)支撐。

實踐：提煉架構(gòu)知識，整合 AI 工具

我們的探索圍繞于三個平臺/工具：

• ArchGuard 治理平臺：用于架構(gòu)知識的管理、分析和優(yōu)化，支持架構(gòu)元模型的定義、知識圖譜的構(gòu)建和標準化的語義定義。
• Team AI 平臺：在 AI 平臺上整合開發(fā)流程與架構(gòu)知識，提供智能化的協(xié)同設(shè)計、規(guī)范合規(guī)性檢查、自動生成原型等功能。
• Shire AI 助手：在 IDE 端提供直接 Prompt 能力，并與遠程智能體的交互，以實現(xiàn)基于代碼骨架的 AI 交互和迭代。

其中的 ArchGuard（ https://archguard.org/ ）和 Shire （ https://archguard.org/ ） 都是我們自研的開源工具，可以在 GitHub 上找到源碼和文檔。

1. ArchGuard：提取架構(gòu)知識與數(shù)據(jù)

我們在 ArchGuard 2.2.2 版本中，提供了對 Protobuf 文件的解析和分析功能，支持自動提取服務(wù)、消息、接口等元素，構(gòu)建服務(wù)地圖和依賴關(guān)系圖。并構(gòu)建了 全新 ArchGuard Architecture Analyser 模塊，支持對架構(gòu)知識的智能化分析和優(yōu)化。

通過，直接運行 ArchGuard CLI，就可以將 Protobuf 文件解析為 JSON 格式，并上傳到自定義的遠程服務(wù)器中，以便后續(xù)的分析和優(yōu)化。

java -jar .scanner_cli.jar --language=go --type=architecture --output=http --server-url=http://localhost:3000 --path=.

如下是，我們在 ArchGuard 中的可視化展示：

圖片

2. Team AI 平臺：整合 AI 工具與架構(gòu)知識

我們在 Team AI 平臺中，整合了開發(fā)流程，并兼容 ArchGuard 接口。如下是，相同數(shù)據(jù)在 Team AI 平臺中的展示：

圖片

結(jié)合生成式 AI 的生成能力，我們可以快速構(gòu)建基于代碼庫的接口知識，用于快速進行知識檢索和查詢：

圖片

以便于我們可以從需求階段，就可以查詢到需求可能影響 的范圍，方便進行架構(gòu)設(shè)計和文檔的編寫等。Team AI 平臺也提供了面向其它工具、平臺的接口，諸如于 Shire IDE 插件就可以快速接入。

3. Shire AI 助手：AI 與架構(gòu)知識的交互

在 Shire 可以直接調(diào)用遠程的 Http API、流式 API 等：

圖片

因此可以直接從平臺獲取所需要的架構(gòu)知識，并將其與代碼庫相結(jié)合，以實現(xiàn)更高效的軟件開發(fā)。我們還在即將發(fā)布的 Shire 新版本中添加更好的 Protobuf 支持：

圖片

以直接在 IDE 中就可以讓 AI 修改 prompt。

結(jié)語：架構(gòu)知識的數(shù)字化與智能化

在我們的探索中，架構(gòu)知識的數(shù)字化與智能化成為提升軟件開發(fā)效率的關(guān)鍵。通過將 AI 應(yīng)用到基于 Protobuf 的微服務(wù)架構(gòu)，我們在需求、設(shè)計、開發(fā)、測試和運維等環(huán)節(jié)實現(xiàn)了智能化支持。

借助 ArchGuard 治理平臺、Team AI 平臺和 Shire AI 助手，我們構(gòu)建了一套工具鏈，使架構(gòu)知識能夠被 AI 理解和應(yīng)用，推動開發(fā)流程的自動化與智能化。盡管面臨著規(guī)范與流程的挑戰(zhàn)，我們相信，架構(gòu)知識的有效整合將為 AI 的成功落地和研發(fā)效能提升提供強有力的支持。未來，我們將繼續(xù)深入探索架構(gòu)與 AI 的融合，推動軟件工程的持續(xù)變革。